Article Per Year (5 Year)
p-Index From 2020 - 2025
0.751
P-Index
This Author published in this journals
All Journal Jurnal Teknologi Informasi dan Ilmu Komputer Jurnal Informatika dan Teknik Elektro Terapan JURNAL TEKNIK INFORMATIKA DAN SISTEM INFORMASI Digital Transformation Technology (Digitech)
Ningrum, Ayu Ahadi
Unknown Affiliation
Computer Science & IT Engineering Library & Information Science

Published : 4 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 4 Documents
Search

 1 
PENERAPAN K-MEANS CLUSTERING MENENTUKAN LOKASI PROMOSI PENERIMAAN MAHASISWA BARU UNIVERSITAS MUHAMMADIYAH BANJARMASIN Hasanah, Nor Laila; Ningrum, Ayu Ahadi; Kamarudin, Kamarudin
JATISI Vol 12 No 2 (2025): JATISI (Jurnal Teknik Informatika dan Sistem Informasi)
Publisher : Universitas Multi Data Palembang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35957/jatisi.v12i2.11488

Abstract

Strategi promosi yang efektif menjadi kebutuhan penting bagi perguruan tinggi dalam menghadapi persaingan penerimaan mahasiswa baru. Penelitian ini bertujuan untuk mengelompokkan asal sekolah calon mahasiswa baru Universitas Muhammadiyah Banjarmasin (UMB) menggunakan algoritma K-Means Clustering berbasis data pendaftaran tahun akademik 2019 hingga 2025. Proses penelitian mengadopsi pendekatan Knowledge Discovery in Database (KDD) yang mencakup tahap seleksi, pra-pemrosesan, transformasi, data mining, dan evaluasi. Penentuan jumlah klaster optimal dilakukan dengan empat metode evaluasi internal, yaitu Elbow Method, Silhouette Score, Davies-Bouldin Index, dan Calinski-Harabasz Index, dengan hasil terbaik pada K=4. Hasil pengelompokan menghasilkan empat kategori potensi sekolah, yaitu Sangat Berpotensi, Berpotensi, Sedang, dan Rendah. Sekolah dalam kategori Sangat Berpotensi terkonsentrasi di wilayah Kalimantan Tengah, sedangkan kategori lainnya tersebar lebih merata di Kalimantan Selatan dan daerah lain. Temuan ini menunjukkan bahwa pemetaan berbasis data dapat menjadi acuan strategis dalam menyusun promosi wilayah yang lebih efektif dan terarah.
Optimalisasi Pengalokasian Bantuan Sosial di Kota Banjarmasin Menggunakan Pendekatan Naive Bayes Adha, Muhammad Iqbal; Marleny, Finki Dona; Ningrum, Ayu Ahadi
Digital Transformation Technology Vol. 5 No. 1 (2025): Periode Maret 2025
Publisher : Information Technology and Science(ITScience)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.47709/digitech.v5i1.6001

Abstract

Penelitian ini bertujuan untuk mengoptimalkan pengalokasian bantuan sosial di Kota Banjarmasin melalui pendekatan klasifikasi Naive Bayes berdasarkan data sosial-ekonomi masyarakat. Latar belakang penelitian ini didasarkan pada kebutuhan untuk mendistribusikan bantuan secara lebih tepat sasaran di tengah keterbatasan sumber daya, dengan memanfaatkan data terbaru dari Kota Banjarmasin. Tujuan penelitian adalah menerapkan model klasifikasi untuk mengidentifikasi prioritas penerima bantuan berdasarkan variabel seperti pendidikan, penghasilan, status perkawinan, dan kecamatan. Metode penelitian melibatkan pembersihan data, pengelompokan variabel, pembuatan skor prioritas, dan penerapan algoritma Naive Bayes dengan penanganan ketidakseimbangan data menggunakan SMOTE lengkap dengan metrik evaluasi. Hasil penelitian menunjukkan bahwa model Naive Bayes mencapai akurasi 95% pada data pengujian dan seluruh data, dengan distribusi prioritas sebagai berikut: Prioritas Tinggi (46,2%), Prioritas Sedang (29,3%), dan Prioritas Rendah (24,5%). Kecamatan Banjarmasin Selatan, Banjarmasin Barat, dan Banjarmasin Utara diidentifikasi sebagai wilayah dengan jumlah prioritas tinggi terbanyak. Implikasi praktis dari penelitian ini adalah rekomendasi alokasi bantuan yang lebih terarah, strategi distribusi cepat, dan program pendukung seperti pelatihan keterampilan untuk kelompok prioritas sedang. Kesimpulan penelitian menegaskan bahwa pendekatan ini efektif untuk alokasi bantuan yang efisien, namun evaluasi berkala diperlukan untuk memastikan relevansi model di masa depan.
IMPLEMENTASI REGRESI LINEAR BERGANDA UNTUK PREDIKSI PENJUALAN PADA PT TRIMANDIRI SARANA PROPETINDO BANJARMASIN Damayanti, Alfisah; Marleny, Finki Dona; Ningrum, Ayu Ahadi
Jurnal Informatika dan Teknik Elektro Terapan Vol. 13 No. 3 (2025)
Publisher : Universitas Lampung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.23960/jitet.v13i3.6679

Abstract

Optimalisasi manajemen persediaan merupakan faktor kunci dalam meningkatkan daya saing bisnis pada pasar yang semakin kompetitif. PT. Trimandiri Sarana Propetindo Banjarmasin yang masih mengandalkan pencatatan penjualan harian menggunakan Microsoft Excel, yang membatasi kemampuan dalam meramalkan penjualan secara akurat. Penelitian ini bertujuan mengembangkan model prediksi penjualan berbasis data stok barang tahun 2023, yang mencakup Stok Awal, Pembelian, Penjualan, Stok Akhir, Retur Penjualan, dan Barang Rusak. Data diolah dan dianalisis secara mingguan berdasarkan jenis bumbu untuk mengidentifikasi pola pergerakan stok. Hasil penelitian menunjukkan model prediktif yang dikembangkan mampu menjelaskan 76% variasi penjualan (R² = 0,76) dengan Root Mean Square Error (RMSE) sebesar 6.707,06, yang tergolong rendah dibandingkan rata-rata penjualan mingguan sebesar 2.920,07. Walaupun model menunjukkan performa baik, tantangan masih ada dalam menangani data dengan tingkat variabilitas yang tinggi. Implementasi model ini diharapkan membantu perusahaan beralih dari sistem manual ke pendekatan berbasis analisis prediktif dalam pengelolaan persediaan, meningkatkan efisiensi operasional, serta ketepatan pemenuhan permintaan pelanggan secara lebih optimal.
Algoritma Deep Learning-LSTM untuk Memprediksi Umur Transformator Ningrum, Ayu Ahadi; Syarif, Iwan; Gunawan, Agus Indra; Satriyanto, Edi; Muchtar, Rosmaliati
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 8 No 3: Juni 2021
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2021834587

Abstract

Kualitas dan ketersediaan pasokan listrik menjadi hal yang sangat penting. Kegagalan pada transformator menyebabkan pemadaman listrik yang dapat menurunkan kualitas layanan kepada pelanggan. Oleh karena itu, pengetahuan tentang umur transformator sangat penting untuk menghindari terjadinya kerusakan transformator secara mendadak yang dapat mengurangi kualitas layanan pada pelanggan. Penelitian ini bertujuan untuk mengembangkan aplikasi yang dapat memprediksi umur transformator secara akurat menggunakan metode Deep Learning-LSTM. LSTM adalah metode yang dapat digunakan untuk mempelajari suatu pola pada data deret waktu. Data yang digunakan dalam penelitian ini bersumber dari 25 unit transformator yang meliputi data dari sensor arus, tegangan, dan suhu. Analisis performa yang digunakan untuk mengukur kinerja LSTM adalah Root Mean Squared Error (RMSE) dan Squared Correlation (SC). Selain LSTM, penelitian ini juga menerapkan algoritma Multilayer Perceptron, Linear Regression, dan Gradient Boosting Regressor sebagai algoritma pembanding.  Hasil eksperimen menunjukkan bahwa LSTM mempunyai kinerja yang sangat bagus setelah dilakukan pencarian komposisi data, seleksi fitur menggunakan algoritma KBest dan melakukan percobaan beberapa variasi parameter. Hasil penelitian menunjukkan bahwa metode Deep Learning-LSTM mempunyai kinerja yang lebih baik daripada 3 algoritma lain yaitu nilai RMSE= 0,0004 dan nilai Squared Correlation= 0,9690. AbstractThe quality and availability of the electricity supply is very important. Failures in the transformer cause power outages which can reduce the quality of service to customers. Therefore, knowledge of transformer life is very important to avoid sudden transformer damage which can reduce the quality of service to customers. This study aims to develop applications that can predict transformer life accurately using the Deep Learning-LSTM method. LSTM is a method that can be used to study a pattern in time series data. The data used in this research comes from 25 transformer units which include data from current, voltage, and temperature sensors. The performance analysis used to measure LSTM performance is Root Mean Squared Error (RMSE) and Squared Correlation (SC). Apart from LSTM, this research also applies the Multilayer Perceptron algorithm, Linear Regression, and Gradient Boosting Regressor as a comparison algorithm. The experimental results show that LSTM has a very good performance after searching for the composition of the data, selecting features using the KBest algorithm and experimenting with several parameter variations. The results showed that the Deep Learning-LSTM method had better performance than the other 3 algorithms, namely the value of RMSE = 0.0004 and the value of Squared Correlation = 0.9690.
Co-Authors Adha, Muhammad Iqbal Damayanti, Alfisah Edi Satriyanto Finki Dona Marleny Gunawan, Agus Indra Hasanah, Nor Laila iwan Syarif Kamarudin Kamarudin Rosmaliati, Rosmaliati